Python基于numpy实现线性回归与多项式拟合预测
发布时间：2026-10-13 |
1人浏览过
本文介绍如何使用Python的numpy模块进行数据序列的回归预测。通过np.polyfit函数实现1阶、2阶及3阶多项式拟合，并利用matplotlib绘制预测效果图。文章重点解析拟合阶数选择对模型效果的影响，指出高阶拟合可能导致过拟合问题，建议根据实际数据特征选择合适的模型阶数。
Python numpy实现回归预测代码
具体实现代码如下所示：
import numpy as np
from matplotlib import pyplot as plt
# 用numpy生成数据t ,y
t = np.arange(1,10,1)
y = 0.9 * t + np.sin(t)
model = np.polyfit(t, y ,deg=1) # np.polyfit是numpy提供的加分分析方法，deg=1,指定模型为1阶的，返回值model为获得的模型
t2 = np.arange(-2,12,0.5) # 再生成一个间隔为0.5的序列
ypredict = np.polyval(model, t2) # 由np.polyval预测y值序列
plt.plot(t, y, "o", t2, ypredict, 'x')
plt.show()1阶回归预测效果
上述代码利用numpy生成了数据序列，并完成了1阶回归计算，同时绘制了预测效果的可视化图形，结果如图所示：
高阶模型参数调整方法
若需实现2阶或3阶回归预测，仅需调整np.polyfit函数中的deg参数。例如，将deg设为2即可实现2阶模型，同理，将deg改为3即可构建3阶模型。
2阶与3阶拟合对比
2阶与3阶回归的预测效果图分别展示如下：
模型阶数与过拟合分析
值得注意的是，拟合阶数并非越高模型效果越好。在本例中，2阶拟合的效果较为理想；若强行使用3阶模型，则可能出现“过拟合”现象。
以上内容为本文的全部介绍，希望能为读者的学习提供有益参考，同时也感谢大家的支持。
本站声明
本文内容仅供参考，不代表本站观点。转载或引用请注明出处。如发现内容问题，请通过联系我们页面反馈。
